如何预测BTC的价格？

BTC 从 10 月初的不足 20,000 飙升至 12 月 7 日的峰值 120,000，然后连续 3 天暴跌至当前价格低于 90,000（12 月 10 日晚上 8:00）。如果能提前预知起起落落，生活该有多美好。

先上图：

黑色长线是BTC最近270天的实际走势，彩色短线是人工智能以5天为实际走势。周期预测的趋势（数据归一化[-1,1]）

对大势的预测比较准确，但拐点的预测不够准确；下降的预测比上升的预测更准确。

货币价格是否可预测？

这不是技术问题，而是哲学问题。比如btc历史最低价格，上帝真的存在吗？作者更喜欢币价的走势是可预测的。因为历史总是相似的。

Tensorflow带来的好消息

Tensorflow 是谷歌于 2015 年开源的机器学习框架。谷歌在自己的搜索、地图、翻译等产品中都使用了这个框架。 TensorFlow的出现大大降低了深度学习的门槛。只要对深度学习有一点了解btc历史最低价格，就可以自己搭建一个可运行的分布式深度学习应用。击败李世石的 AlphaGo 是一款深度学习应用。基于深度学习的价格预测，应该比跳高更有说服力。

LSTM 根据历史预测未来

LSTM，全称 Long Short-TermMemory 神经网络，专门用于预测时间序列相关问题，主要用于语音识别、翻译、图片描述、价格预测等。LSTM 改进了 RNN（Recurrent Neural Networks ) 循环神经网络，对历史数据更加友好，解决了RNN层数过多时梯度消失的问题。人类根据自己对已知历史的理解来推测未来。人类不会放弃所有已知的知识，然后用空白的大脑思考。人的思维具有连续性和持久性。 LSTM 模拟了人脑的这种思维过程。使用 LSTM 进行价格预测应该是一个不错的选择。

数据源

我们选择了 BitCoinAverage 作为我们的数据提供商，BitCoinAverage 拥有世界上运行时间最长的虚拟货币价格数据库。我们选取了 2010 年 7 月至今（2017 年 12 月 10 日）全球 50 多个交易平台的 BTC 历史数据作为我们的数据源。

开始训练

为了减少单一市场和短期价格波动对币价走势的影响，我们将当日所有交易平台的比特币均价作为当日比特币价格。价格。我们总共获得了超过 2700 天的比特币价格。我们假设比特币的每日价格受到当天前 30 天比特币价格的影响。我们可以将 2700 多天分解为 2700 多个训练组。每个训练组的输入是连续 30 天的比特币价格，输出是第 31 天的比特币价格。我们从中随机选择 2400 多组作为训练集，另外 270 组作为验证集。我们将训练集放入 LSTM 中进行训练。

结果验证

训练结束后，我们使用验证集来验证训练结果。验证方法如下：输入1-30天的价格，预测第31天的价格；输入2-30天的价格和第31天的预测价格，预测第32天的价格；依此类推，直到预测第 35 天的价格；绘制第 31 天到第 35 天的价格趋势。预测结果如图所示。

未来的改进

我们的预测模型仍处于起步阶段，预计将在以下方面进行改进：

1.将开盘价、收盘价、最高价、最低价纳入影响因子

2. 减少历史数据的时间间隔，按小时获取历史数据

p>

3. 将每日预报改进为每小时预报

4.将其他币种的价格波动纳入影响因子

5.将实时新闻纳入影响因子

6.增加LSTM层数

7.优化激活函数

8.将序列模型改进为函数模型